Fork me on GitHub

清华姚班毕业生开发新特效编程语言,99行代码实现《冰雪奇缘》

  边策 鱼羊 发自 凹非寺
  量子位 报道 公众号 QbitAI

  只用 99 行代码,你也可以像《冰雪奇缘》里的艾莎公主一样拥有冰雪魔法。

  虽然你不能在现实世界中肆意变出魔法,但却能在计算机的虚拟世界挥洒特效。

  或许你不知道,电影和动画中特效有时仅仅短短的一秒,却可能需要高性能计算机演算一周,花费惊人。

  《冰雪奇缘》没有真人出演,预算却高达 1.5 亿美元,每一秒的镜头都是经费在燃烧。一般人想用电脑做出 CG 特效简直不可想象。

  然而,最近一位来自中国的 MIT 博士,开发了一种新的 CG 特效编程语言Taichi太极),大大降低了门槛。


白色:雪;红色:果冻;蓝色:水

  一个简单的物理场景,普通 PC 仅需几分钟即可渲染完成,相比 TensorFlow 提速了 188 倍、比 PyTorch 快 13.4 倍,代码长度只有其他底层方法的十分之一。

  安装它就像 TensorFlow 一样容易,使用起来也是差不多:

import taichi as ti

  甚至,Taichi 的发明者胡渊鸣同学还为此编写了完整使用教程。

  关于 Taichi,胡同学已经发表了多篇文章,分别被 SIGGRAGH 2018、ICRA 2019、NeurIPS2019、ICLR 2020 等顶会收录。

  计算机图形学知名学者、北大教授陈宝权给出很高的评价:

给胡渊鸣同学点赞!一己之力开发了物理模拟编程语言 Taichi!

像渊鸣这样如此投入写有影响力的开源代码实在是难能可贵。

像 SIGGRAPH 这样的,可能要投入1~2 年才会有成果,论文接受率低,即使能发表出来,引用率也不高。

  网友们在围观之后也纷纷表示:渊鸣大神太强了。

图形+系统+编译,真是创世的快乐。

  88 行代码模拟真实物理环境

  正如胡同学本人所说,99 行代码很短,背后的技术故事却很长。

  故事的开头,要从 Material Point Method(物质点法)说起。

  MPM 是一种在影视特效领域广受青睐的模拟连续介质方法,迪士尼的《冰雪奇缘》就用到了这项技术。

  但在早期,MPM 的运行速度非常慢,比如《冰雪奇缘》里安娜过雪地的镜头,据说要在集群上跑整整一个星期。

  为了提高 MPM 的运行速度和性能,在大四毕业的那个暑假,胡渊鸣投入了 Moving Least Squares MPM(MLS-MPM)的研究。

  胡渊鸣的灵感是,用移动最小二乘法统一 AIPC(The Affine Particle-In-Cell Method)中的仿射梯度场(affine velocity field)和 MPM 中的变形梯度更新(deformation gradient update)两种离散化。

  在宾夕法尼亚大学蒋陈凡夫教授的指导下,胡渊鸣等人完成了移动最小二乘物质点法(MLS-MPM)方法的研究,不仅实现了新的应力散度离散化,使 MPM 的运行速度快了两倍,还成功模拟了 MPM 此前并不支持的各种新现象。

  比如材料切割:

  刚性体的双向耦合:

  这项成果最终发表在了 SIGGRAPH 2018 上。

  为了进一步证明 MLS-MPM 的简易性,胡渊鸣用88 行 C++ 代码实现了 MLS-MPM 的 demo。(代码详情请戳文末 taichi_mpm 项目链接)。

  这个 88 行版本后来也成为了入门 MPM 的必备参考实现。

  乾坤(ChainQueen)可微物理引擎

  2017 年的夏天结束之后,胡渊鸣正式进入 MIT 读博。

  这时候,胡渊鸣又迸发了新的灵感:求出 MLS-MPM 的导数。有了导数,就能只用梯度下降来优化神经网络控制器。

  在这一思想的指导下,ChainQueen 诞生了。

  胡渊鸣解释说,chain 是为了纪念他在求导过程中被链式法则折磨的经历,而 ChainQueen 则与乾坤谐音。

  乾坤基于 MLS-MPM,是一种针对可变形对象的、实时的可微混合拉格朗日-欧拉物理模拟器。该模拟器在前向仿真和反向梯度计算中均实现了高精度。

  这项研究发表在了 ICRA 2019 上,胡渊鸣也以此完成了硕士论文。

  DiffTaichi

  随后,胡同学将工作又推进一步,提出了可微分编程 DiffTaichi,被 ICLR 2020 收录。

  在这篇文章的代码中,胡同学创建了 10 个不同的物理模拟器,并根据现有基准对其性能进行基准测试。

  Taichi 中的可微分编程,可以通过蛮力的梯度下降有效地优化神经网络控制器,而不必使用强化学习。

  10 种可微分模拟器中的大多数模型可以在2-3 小时内实现,而且大部分不需要 GPU。这些示例中,弹性体、刚体、流体、光线的折射、弹性碰撞,常见物理环境应有尽有。

  第一个示例可微分弹性对象模拟器,经过我们的实测,在 2017 版 13 寸的 MacBook Pro 上也能运行,而且完成优化只需不到十分钟的时间:

  不仅是 2D,更复杂的3D 弹性体也能模拟:

  还有可微分的3D 流体模拟器,经过 450 步的梯度下降迭代,已经非常逼真:

  DiffTaichi 模拟水对光线折射的渲染器,一张图片经过它的渲染,甚至能骗过图像分类器。经过测试,VGG16 将带有水波纹的松鼠图片当做金鱼,而且认为概率为 99.91%。

  在强化学习的模拟环境中,刚体机器人很常见,DiffTaichi 也能模拟:

  DiffTaichi 还能模拟多个物体的复杂场景,比如台球:

 

  用 Taichi 语言编写的模拟器大大简化了代码,可微分弹性对象模拟器只用了 110 行代码,而直接用 CUDA 编写则需要 490 行。

  同时,Taichi 的速度还很快,相比 CUDA 版本几乎没有什么损失,比 TensorFlow 快了 188 倍,比 PyTorch 快 13.4 倍。

  而且神经网络控制器一般只需要几十次迭代,即可完成优化。

  为何做 Taichi

  谈到为何要做 Taichi,计算机图形学一直缺乏像 TensorFlow 那样的通用工具,每个要从事开发的人都必须了解基本原理,才能去做编程。

  这和深度学习领域形成了鲜明的对比。

  近年来,甚至有中学生,利用 TensorFlow 或者 PyTorch,写一点代码,优化几个模型,就可以在一些顶会上发表论文,许多人看来,这是件坏事,因为让深度学习论文的含金量大大降低。

  但胡渊鸣看到了另一面。他认为,深度学习这些年之所以能发展快、门槛低,就是因为有简单易用的好工具,计算机图形学让人望而却步,就是因为缺乏类似的工具,因此他开发了 Taichi。

  本来 Taichi 要做成一种单独的编程语言,但是为了方便大家使用,胡渊鸣用了一句 import taichi as ti 把 Taichi 语言假装成 Python。

  改成基于 Python,这样做的好处不仅是降低学习门槛,还能使用很多现成的 Python IDE,与 numpy、matplotlib 等工具库无缝衔接。

  经过几个月的努力,胡渊鸣终于把 Taichi 改成了 pypi 安装包,让不同配置不同操作系统的机器都能顺利运行图形学的程序。

  高一保送清华,博一 6 篇 paper

  说起胡渊鸣,这又是一位从少年时代起就熠熠闪光的“大神级”选手。

  高一保送清华,竞赛生涯中,拿下 APIO 2012、NOI 2012、ACM-ICPC 2013 长沙区域赛、ACM-ICPC 上海区域赛四块金牌,其中 APIO 2012 成绩是全场第一名。

  2013 年进入清华姚班,胡渊鸣与陈立杰、范浩强等人成为同班同学,这群年轻人的才华在这里汇聚、碰撞,与“姚班”二字相互成就。

  本科期间,胡渊鸣先后前往东京大学、斯坦福大学访学,并曾于微软亚洲研究院实习,从事深度学习和计算机图形学研究。本科便有多篇论文中选 CVPR、SIGGRAPH 等国际顶会。

  2017 年,胡渊鸣进入 MIT 读博。入学 13 个月后,完成硕士论文 ChainQueen,拿到 MIT 硕士学位。博一期间,共发表 6 篇顶会论文。

  最后,如果想了解这 99 行代码背后更多的研究历程,不妨读一读胡渊鸣本人的知乎专栏文章。大神不仅代码写得好,码字和蒸鸡蛋也是好手呢~

  传送门

  胡渊鸣知乎原文:

  https://zhuanlan.zhihu.com/p/97700605

  论文地址:

  https://arxiv.org/abs/1910.00935

  太极项目地址:

  https://github.com/yuanming-hu/taichi

  taichi_mpm 项目地址:

  https://github.com/yuanming-hu/taichi_mpm

  作者系网易新闻·网易号“各有态度”签约作者

来自:
量子位(ID:QbitAI)

作者:Johnson
原创文章,版权所有,转载请保留原文链接。